初步了解pandas（学习笔记）

1 pandas简介

pandas 是一种列存数据分析 API。它是用于处理和分析输入数据的强大工具，很多机器学习框架都支持将 pandas 数据结构作为输入。 虽然全方位介绍 pandas API 会占据很长篇幅，但它的核心概念非常简单，我们会在下文中进行说明。有关更完整的参考，请访问 pandas 文档网站，其中包含丰富的文档和教程资源。

Pandas 是用于进行数据分析和建模的重要库，广泛应用于 TensorFlow 编码。该教程提供了学习本课程所需的全部 Pandas 信息。

2 学习目标

1）大致了解 pandas 库的 DataFrame 和 Series 数据结构

2）存取和处理 DataFrame 和 Series 中的数据

3）将 CSV 数据导入 pandas 库的 DataFrame

4）对 DataFrame 重建索引来随机打乱数据

3 基本概念

以下行导入了 pandas API 并输出了相应的 API 版本：

from __future__ import print_function
import pandas as pd
pd.__version__

在jupyter中运行结果 '0.23.4'

pandas 中的主要数据结构被实现为以下两类：

- DataFrame，您可以将它想象成一个关系型数据表格，其中包含多个行和已命名的列。

- Series，它是单一列。DataFrame 中包含一个或多个 Series，每个 Series 均有一个名称。

数据框架是用于数据操控的一种常用抽象实现形式。Spark 和 R 中也有类似的实现。

创建 Series 的一种方法是构建 Series 对象。例如：

pd.Series(['San Francisco', 'San Jose', 'Sacramento'])

运行结果

0    San Francisco
1         San Jose
2       Sacramento
dtype: object

pd.Series函数可以将其中的参数（string）作为dict的列名称传递到各自的Series中，从而创建DataFrame对象；如果series的长度不一致，系统会用特殊的NA/NaN值填充至缺失值处。

city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])
population = pd.Series([852469, 1015785, 485199])
pd.DataFrame({ 'City name': city_names, 'Population': population })

运行结果

	City name	Population
0	San Francisco	852469
1	San Jose	1015785
2	Sacramento	485199

当长度不一致时，则有下列结果

city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento','hao'])
population = pd.Series([852469, 1015785, 485199])

pd.DataFrame({ 'City name': city_names, 'Population': population })

运行结果

	City name	Population
0	San Francisco	852469.0
1	San Jose	1015785.0
2	Sacramento	485199.0
3	hao	NaN

其实在多数时候，我们需要将整个文件加载到DataFrame中。下面示例为加载了一个包含加利福尼亚州住房数据的文件。请运行以下单元格以加载数据，并创建特征定义：

california_housing_dataframe = pd.read_csv("https://download.mlcc.google.cn/mledu-datasets/california_housing_train.csv", sep=",")
california_housing_dataframe.describe()

运行结果

上面的示例使用  DataFrame.describe  来显示关于 DataFrame 的有趣统计信息。另一个实用函数是 DataFrame.head，它显示 DataFrame 的前几个记录：

pandas 的另一个强大功能是绘制图表。例如，借助 DataFrame.hist，您可以快速了解一个列中值的分布：

california_housing_dataframe.hist('housing_median_age')

运行结果

可以采用python的 dict/list 指令访问 DataFrame 数据。

cities = pd.DataFrame({ 'City name': city_names, 'Population': population })
print(type(cities['City name']))
cities['City name']

运行

<class 'pandas.core.series.Series'>
0    San Francisco
1         San Jose
2       Sacramento
Name: City name, dtype: object

查看数据元素

print(type(cities['City name'][1]))
cities['City name'][1]

运行

<type 'str'>
'San Jose'

进行切片操作

print(type(cities[0:2]))
cities[0:2]

运行

<class 'pandas.core.frame.DataFrame'>

	City name	Population
0	San Francisco	852469
1	San Jose	1015785

此外，pandas 针对高级索引和选择提供了极其丰富的 API（数量过多，此处无法逐一列出）。

4 操控数据

可以向 Series 应用 Python 的基本运算指令。例如：

population / 1000.

运行结果

0     852.469
1    1015.785
2     485.199
dtype: float64

NumPy 是一种用于进行科学计算的常用工具包。pandas Series 可用作大多数 NumPy 函数的参数：

import numpy as np

np.log(population)

运行

0    13.655892
1    13.831172
2    13.092314
dtype: float64

对于更复杂的单列转换，您可以使用 Series.apply。

像 Python 映射函数一样，Series.apply 将以参数形式接受 lambda 函数，而该函数会应用于每个值。

下面的示例创建了一个指明 population 是否超过 100 万的新 Series：

population.apply(lambda val: val > 1000000)

运行

0    False
1     True
2    False
dtype: bool

DataFrames 的修改方式也非常简单。例如，以下代码可以实现向现有 DataFrame 添加了两个 Series：

cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
cities['Population density'] = cities['Population'] / cities['Area square miles']
cities

运行

5 练习

5.1 练习1

通过添加一个新的布尔值列（当且仅当以下两项均为 True 时为 True）修改 cities 表格：

• 城市以圣人命名。
• 城市面积大于 50 平方英里。

注意：布尔值 Series 是使用“按位”而非传统布尔值“运算符”组合的。例如，执行逻辑与时，应使用 &，而不是 and。

提示："San" 在西班牙语中意为 "saint"。

代码结构

cities['Is wide and has saint name'] = (cities['Area square miles'] > 50) & cities['City name'].apply(lambda name: name.startswith('San'))
cities

运行结果

5.2 索引

Series 和 DataFrame 对象也定义了 index 属性，该属性会向每个 Series 项或 DataFrame 行赋一个标识符值。

默认情况下，在构造时，pandas 会赋可反映源数据顺序的索引值。索引值在创建后是稳定的；也就是说，它们不会因为数据重新排序而发生改变。

city_names.index

运行

RangeIndex(start=0, stop=3, step=1)

求出city的索引值index

cities.index

运行

RangeIndex(start=0, stop=3, step=1)

调用 DataFrame.reindex 以手动重新排列各行的顺序。例如，以下方式与按城市名称排序具有相同的效果：

cities.reindex([2, 0, 1])

运行

重建索引是一种随机排列 DataFrame 的绝佳方式。在下面的示例中，我们会取用类似数组的索引，然后将其传递至 NumPy 的 random.permutation 函数，该函数会随机排列其值的位置。如果使用此重新随机排列的数组调用 reindex，会导致 DataFrame 行以同样的方式随机排列。

尝试多次运行以下单元格！

cities.reindex(np.random.permutation(cities.index))

运行（第一次）

运行（第二次）

5.3 练习2

reindex 方法允许使用未在DataFrame索引值中的数字，比如5，6……100，等，如果将这些值假如索引重拍时，所有的内容都会用NaN填充。

cities.reindex([0, 4, 5, 2])

https://colab.research.google.com/notebooks/mlcc/intro_to_pandas.ipynb?utm_source=mlcc&utm_campaign=colab-external&utm_medium=referral&utm_content=pandas-colab&hl=zh-cn#scrollTo=pCvT7R2Lb37Z

https://colab.research.google.com/notebooks/welcome.ipynb 谷歌的练习平台